Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.05173v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.05173v1 (cs)
[提交于 2025年7月7日 ]

标题: 语义帧插值

标题: Semantic Frame Interpolation

Authors:Yijia Hong, Jiangning Zhang, Ran Yi, Yuji Wang, Weijian Cao, Xiaobin Hu, Zhucun Xue, Yabiao Wang, Chengjie Wang, Lizhuang Ma
摘要: 基于给定的第一帧和最后一帧以及文本提示信息,生成不同长度的中间视频内容,具有重要的研究和应用潜力。 然而,传统的帧插值任务主要集中在帧数较少、无文本控制且第一帧和最后一帧差异较小的场景中。 最近的社区开发者利用了以万为代表的大型视频模型,赋予帧到帧的能力。 然而,这些模型只能生成固定数量的帧,并且在某些帧长度上常常无法产生满意的结果,而这种设置缺乏明确的官方定义和成熟的标准基准。 在本文中,我们首先从学术定义的角度提出了一种新的实用语义帧插值(SFI)任务,该任务涵盖了上述两种设置,并支持在多种帧率下进行推理。 为了实现这一目标,我们提出了一种基于万2.1的新SemFi模型,该模型结合了Mixture-of-LoRA模块,以确保在各种帧长限制下生成与控制条件一致的高一致性内容。 此外,我们提出了SFI-300K,这是首个专为SFI设计的通用数据集和基准。 为了支持这一点,我们从SFI的角度收集和处理数据,精心设计评估指标和方法,以多维方式评估模型性能,涵盖图像和视频,以及一致性、多样性等多个方面。 通过在SFI-300K上的大量实验,我们证明了我们的方法特别适合满足SFI任务的要求。
摘要: Generating intermediate video content of varying lengths based on given first and last frames, along with text prompt information, offers significant research and application potential. However, traditional frame interpolation tasks primarily focus on scenarios with a small number of frames, no text control, and minimal differences between the first and last frames. Recent community developers have utilized large video models represented by Wan to endow frame-to-frame capabilities. However, these models can only generate a fixed number of frames and often fail to produce satisfactory results for certain frame lengths, while this setting lacks a clear official definition and a well-established benchmark. In this paper, we first propose a new practical Semantic Frame Interpolation (SFI) task from the perspective of academic definition, which covers the above two settings and supports inference at multiple frame rates. To achieve this goal, we propose a novel SemFi model building upon Wan2.1, which incorporates a Mixture-of-LoRA module to ensure the generation of high-consistency content that aligns with control conditions across various frame length limitations. Furthermore, we propose SFI-300K, the first general-purpose dataset and benchmark specifically designed for SFI. To support this, we collect and process data from the perspective of SFI, carefully designing evaluation metrics and methods to assess the model's performance across multiple dimensions, encompassing image and video, and various aspects, including consistency and diversity. Through extensive experiments on SFI-300K, we demonstrate that our method is particularly well-suited to meet the requirements of the SFI task.
评论: https://github.com/hyj542682306/语义帧插值
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.05173 [cs.CV]
  (或者 arXiv:2507.05173v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.05173
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Yijia Hong [查看电子邮件]
[v1] 星期一, 2025 年 7 月 7 日 16:25:47 UTC (8,814 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号